Artificial-Intelligence to Reveal Potentials for Semi-Process-Automation

(Third Party Funds Single)

Project leader: Sven Weinzierl
Start date: 1. January 2019
End date: 31. December 2020
Acronym: AISA
Funding source: Bundesministerium für Bildung und Forschung (BMBF)

Abstract:

Während der Prozessausführung werden durch nahezu alle Anwendungssysteme für stattfindende Ereignisse Daten – so genannte Ereignislogdaten – erfasst. Ein Teilbereich des Process Mining, Predictive Business Process Monitoring, beschäftigt sich mit der Vorhersage zur Evolution von Prozessinstanzen basierend auf diesen historischen Eventlogdaten. Aufgrund der begrenzten prädiktiven Güte derartiger Verfahren, oftmals bedingt dadurch, dass Geschäftsprozess immer komplexer werden, findet bislang kaum ein Einsatz in der Praxis statt. Vor diesem Hintergrund ist das wesentliche Ziel des Projektes AISA nächste Prozessschritte (Ereignisse) für laufende Prozessinstanzen mit Techniken des Deep Learning mit einer möglichst hohen Güte vorherzusagen, um die Etablierung solch einer Lösung bei DATEV zu erreichen. Durch eine vorgelagerte Anomalieerkennung und eine (Standard-)Ablauferkennug soll die Güte des Ergebnisses weiterhin verbessert werden. Zudem sollen über die üblicherweise genutzten Eventlogdaten (insb. Prozessinstanz Id, Ereignis und Zeitstempel) hinaus auch prozessbegleitende Kontextinformationen, welche die Prozessausführung charakterisieren, extrahiert und für die Vorhersage miteinbezogen werden. Solche Kontextinformation können z.B. Informationen aus prozessbegleitenden Belegen oder Informationen zum Anwendungssystem selbst sein.

External Partners:

DATEV eG

Publications:

Weinzierl S., Revoredo K., Matzner M.:
Predictive business process monitoring with context information from documents
European Conference on Information Systems (Stockholm, 8. June 2019 - 14. June 2019)
In: Proceedings of the 27th European Conference on Information Systems 2019
URL: https://www.researchgate.net/publication/333245929_PREDICTIVE_BUSINESS_PROCESS_MONITORING_WITH_CONTEXT_INFORMATION_FROM_DOCUMENTS
Stierle M., Weinzierl S., Harl M., Matzner M.:
A technique for determining relevance scores of process activities using graph-based neural networks
In: Decision Support Systems 144 (2021), Article No.: 113511
ISSN: 0167-9236
DOI: 10.1016/j.dss.2021.113511
URL: http://www.sciencedirect.com/science/article/pii/S016792362100021X
Weinzierl S., Wolf V., Pauli T., Beverungen D., Matzner M.:
Detecting temporal workarounds in business processes – A deep-learning-based method for analysing event log data
In: Journal of Business Analytics 5 (2022), p. 76-100
ISSN: 2573-234X
DOI: 10.1080/2573234X.2021.1978337
URL: https://www.tandfonline.com/doi/full/10.1080/2573234X.2021.1978337
Weinzierl S., Dunzer S., Tenschert J., Zilker S., Matzner M.:
Predictive business process deviation monitoring
European Conference on Information Systems (Marrakesch)
In: Proceedings of the 29th European Conference on Information Systems 2021
Weinzierl S., Stierle M., Zilker S., Matzner M.:
A next click recommender system for web-based service analytics with context-aware LSTMs
Hawaii International Conference on System Sciences (Grand Wailea, Maui, Hawaii, 7. January 2020 - 10. January 2020)
In: Proceedings of the 53rd Hawaii International Conference on System Sciences 2020
DOI: 10.24251/HICSS.2020.190
URL: http://hdl.handle.net/10125/63929